---
course: "與 AI 一起工作——LEGION.TW 免費課程"
lesson: 1
slug: "ai-is-guessing-what-you-want"
title: "AI 其實一直在猜你要什麼"
authors: ["Frank", "Buddy Lien"]
language: "zh-Hant-TW"
editionKind: "transcreation"
transcreatedBy: "Buddy Lien"
nativeTaiwaneseHumanReview: false
html: "/zh-hant/learn/ai-is-guessing-what-you-want"
markdown: "/zh-hant/learn/ai-is-guessing-what-you-want.md"
courseIndex: "/zh-hant/learn.md"
---
# AI 其實一直在猜你要什麼

有些人相信自己會靠 AI 發大財，也許他們真的會。

但對大多數人來說，AI 能給你的最好東西是這個：

**時間**

時間拿去做任何你想做的事。多一點時間陪家人。多一點時間吃好吃的。多一點時間在 Netflix 上狂看 *Better Call Saul*。多一點時間做任何事。

我沒有做出一個讓我靠被動收入賺幾百萬的 SaaS。我也沒有一個 AI agent 幫我交易股票、讓我發財。

但我確實有幾個簡單的小軟體，加起來讓我和我太太每 7 週省下大約 120 小時的工作。

那一年差不多就是 900 小時。

超過 22 週的全職工作時間，回到我們的人生裡。

做到這件事的神奇 prompt 是什麼？

很抱歉要讓你失望，但它不存在。我沒有買哪個網紅的「終極提示詞包」，沒有發現 6 個秘密字，也沒有把我的人生交給一個自主 agent。

AI 是魔法……但這不代表有魔法字句。我學會的是 AI 怎麼處理一個請求，以及當它的預設不符合我需要時，我要怎麼改變它的處理方式。

核心洞見是這個：

**AI 永遠都在根據它對「你想要什麼」的假設工作。**

如果你理解那些假設，你跟它溝通的效果會好非常多。你可以讓 AI 在速度會傷害成果時慢下來。你可以讓它先探索再選擇。你可以讓它比較不同解釋、批評自己的草稿、查核自己的主張、保留你想親自做的部分，或提出你自己可能永遠想不到的可能性。

槓桿點就在這裡：你要更懂對話另一端那套「心智」是怎麼運作的。

建立這套心智模型會花好幾課，也需要你自己大量練習。所以我們開始吧。

## AI 並不是單純照指令走

語言本來就是一種會失真的心電感應。你用文字讓另一個腦袋裡生出一個想法，但那些文字本身永遠不會把整件事講完。

人類溝通之所以還能運作，是因為我們很少是在完全沒有共同脈絡的情況下開始說話。我們在哪裡、我們怎麼認識、昨天發生了什麼、你臉上的表情、你說話的語氣，還有一千個文化上的預設，都會幫我推論你的意思，而不用逼你把所有東西都說出來。

AI 預設沒有這種從生活裡累積出來的脈絡。它必須從眼前可用的資訊推論你到底是什麼意思。

也就是說，它必須做假設。

這些假設會受到模型訓練，以及兩層 system instructions 的影響。第一層是服務提供者加上的。第二層是應用程式或使用者放在 system role 裡的指令。

不同服務提供者會對「有用的 AI 應該做什麼」做出不同選擇，這也是為什麼不同實驗室的模型，面對同一個請求可能會給出完全不同的回答。應用程式也可以加掛對話紀錄、工具和記憶。這些都會讓 AI 有更多材料可以用，但不會消除「解讀」這件事本身。

我常常聽到有人說 AI 太照字面。這個判斷幾乎完全反了。

事實上，如果你以為 AI 是一個「過度熱心、什麼都照字面解讀的實習生」，那是你可能對 AI 抱持的最糟信念之一，爛度差不多可以跟地平說和反疫苗鬼扯坐同一桌。

**AI 採用的是目標導向的機會主義式解讀。**

機會主義式解讀是第二課的主題。到時候我們會看為什麼 AI 可能把某一句話照字面處理，卻對另一句話推得超出字面；為什麼它可能忽略限定詞，甚至在某種讀法看起來能替它已經認定最好的完成方式背書時，直接把某個隱含意思反過來解讀。我們也會談迎合、服務提供者對迎合問題的恐慌，以及為什麼「過度熱心的字面實習生」這個模型根本把 AI 看反了。

這第一課，我們先專注在驅動那種解讀的一個部分：目標。

在 AI 能決定要怎麼解讀你的文字之前，它必須先回答另一個問題。

> 這個人到底想完成什麼？什麼樣才算完成？

## 「有幫助」裡藏著的預設值

AI 被訓練成要有幫助，但「有幫助」沒有單一意思。

假設有人問：

> 可以幫我寫一篇關於明代知識分子整肅的文章嗎？

你要的是研究資料？腦力激盪？幾個可能的論點？大綱？第一版草稿？還是一篇可以直接交出去的完整文章？

AI 可以在做任何事之前，先針對每一個可能的模糊處問一大堆問題。大多數人會覺得這煩到不行。所以它必須做一些合理的猜測，然後開始。

其中一個最重要的猜測是這個：

**當一個人使用 AI，他通常想要任務被完整、快速地完成，而且自己做的工作越少越好。**

這常常是很好的假設。人會使用工具，本來就是因為工具能減少工作。

麻煩在於，這一個假設其實至少回答了三個不同問題：

1. 一個完成的任務長什麼樣子？
2. 這個人想拿掉哪些部分的工作？
3. 速度跟品質、學習、探索或控制相比，到底有多重要？

光看任務本身，AI 沒辦法可靠回答這些問題。

## 你想拿掉的工作

工作和費力不是同義詞。

跑一場馬拉松需要極大的努力，但跑者可能就是想要那個努力。解一道困難的謎題需要思考，但解開它本身就是樂趣。寫作可以很累，但它仍然可能是寫作者自己選擇要做的活動。把同樣的資料在試算表之間複製來複製去，可能幾乎不費力，卻完完全全像工作。

工作，就是一個過程裡，如果你能保留結果和經驗中所有你重視的東西，你會想拿掉的那一部分。

AI 不知道你想拿掉的是哪一部分。

你請它幫忙寫文章時，你是想避免寫作，還是想變成更好的寫作者？你想要的是答案、理解、發現答案的樂趣，還是單純想拿到完成的文件？

光從 prompt 本身，AI 常常不知道。所以它會做另一個假設：它能替你做的每一部分，大概都是你想拿掉的工作。

當工作是把一樣的資訊搬到不同試算表之間，這個假設可能很有用。當看起來像工作的東西，其實正是創造學習、判斷、作者性、精熟或意義的過程時，這個假設可能很有破壞力。

好的自動化，拿掉的是你不想要的工作，同時保留你真正重視的部分。

所以，在你要 AI 做整件事之前，先問自己：哪些部分我真的想拿掉？哪些部分我是想保留下來的？

## 速度也是一條指令，就算你從來沒要求

預設假設裡最危險的字，可能是「快速」。

AI 產品是在一個把延遲視為失敗的世界裡打造出來的。回應立刻出現，感覺很厲害。停頓一下，感覺像壞掉。所以服務提供者有很強的誘因，讓系統一找到一條看起來合理的路徑，就馬上開始回答。

但合理不等於正確，而且解一個問題時，第一條看起來走得通的路，很少會是唯一值得考慮的路。

AI 常常很快，是因為它在猜。它不知道你、不知道你的具體目標和偏好時，就會把你當成最一般、最沒有特徵的使用者，然後從這個起點推論。一旦它找到一個看起來合理的目標解讀，就可以開始產出一段流暢的回答。接著，流暢會讓那條路聽起來像是完整的，即使重要的替代方案從來沒有被探索過。

延遲不保證品質。事實上，在很多情況下，速度和品質互相排斥。

視任務而定，慢下來可以讓 AI 有時間：

- 在定案前先找出模糊處；
- 探索可能性空間裡的幾個不同部分；
- 產生彼此競爭的解釋；
- 尋找證據；
- 用反例測試結論；
- 注意到原本的問題框架可能是錯的；
- 換一個角色重看第一版草稿；
- 在批評之後再修改。

如果系統以為目標是立刻完成，這些活動每一項看起來都像拖延。

你可以改變這件事。

## 告訴 AI，這個任務需要哪種思考方式

你不需要專門的 prompt 語法。用白話告訴 AI 你想要什麼就好。

如果問題還不確定，就說現在還不是選方向的時候：

> 請先探索問題，再推薦解法。找出幾種合理的解釋，並告訴我哪些證據可以區分它們。

如果你想要超出自己想像的可能性，就明確允許它發散：

> 不要把答案限制在我已經提出的做法裡。請探索可能性空間裡，我可能根本不知道存在的區域。

如果第一個答案會被拿來當作工作材料，就把創作和判斷分開：

> 先盡你所能發展出最有力的草稿。等想法完整之後，再冷眼重看一次，找出沒有支撐的主張、漏掉的延伸含意，以及那些幫助你思考但不幫助讀者理解的文字。

如果你想保留作者性，或想透過過程學習，就把界線定清楚：

> 幫我檢查這個論點，找出我漏掉的地方。不要替我寫最後成品。那一部分我想自己做。

如果後果很重要，就把驗證納入「完成」的一部分：

> 流暢的答案不夠。請指出這個決策依賴哪些主張，驗證能驗證的部分，並告訴我還有哪些地方不確定。

這些不是魔法 prompt。精確用字沒有什麼特別之處。每一道指令只是改變了 AI 對目標、你想拿掉的工作，或這個任務值得多少時間和思考的假設。

## 把工作模式拆開

另一個問題，是你想讓同一個回答同時做完所有事。

探索需要空間讓分支長出來。決策需要標準，也需要願意定案。起草需要足夠的自由度，讓想法完整跑完。審查需要跟當初產生草稿的那些選擇拉開距離。

這些是不同的工作模式，把它們分開處理會有幫助：

1. **理解。** 確認目標、脈絡、限制，以及使用者重視自己參與其中的哪些部分。
2. **探索。** 產生替代方案，不要急著衝向某個偏好的完成方式。
3. **選擇。** 用真正符合目標的標準比較替代方案。
4. **創作。** 把選定的路徑完整發展出來。
5. **審查。** 從足夠的距離再看一次，找出薄弱推理、遺漏，以及不必要的支架。
6. **驗證。** 檢查事實和後果。

不是每個任務都需要六個模式。把已知數值複製到已知儲存格，不需要哲學沉思。困難的策略、有後果的決策、研究，或公開論述，可能每一個都需要。

重點是讓速度成為一個選擇，而不是一條看不見的命令。

## AI 真正的語言

這就是我說的「學 AI 的語言」。你要理解 AI 怎麼推論目標、填補缺少的脈絡、判斷什麼算工作、選擇什麼時候停止探索，以及認定一個任務已經完成。

這種理解，會比任何剛好對今年模型有效的句子更耐用。

一旦你看得見那些假設，你就可以決定哪些假設適合。

你可以讓 AI 快速處理那些你真的想拿掉的工作。你可以在探索很重要的時候叫它慢下來。你可以把屬於你的思考、技藝、責任或樂趣留下來。你可以要求批評，而不是同意；要求不確定性，而不是假自信；要求可能性，而不是把第一個冒出來的想法打磨得很漂亮。

AI 會一直變。模型會變得更聰明，產品會有新功能，今天聰明的 prompt 模式會過時。也許 ChatGPT 17 真的會強十倍。

但溝通目標、脈絡、價值和假設的需求，會一直存在。

---

## 版本說明

本文的繁體中文版由 AI 根據原文的思想、語氣與論證重新創作。完成後，再由未讀過原文的 AI 盲讀，檢視思想是否完整傳達，並另行檢查用語是否符合臺灣習慣。目前尚未經臺灣華語母語編輯審閱。